CN108416265A - 一种人脸检测方法、装置、设备及存储介质 - Google Patents
一种人脸检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN108416265A CN108416265A CN201810087913.XA CN201810087913A CN108416265A CN 108416265 A CN108416265 A CN 108416265A CN 201810087913 A CN201810087913 A CN 201810087913A CN 108416265 A CN108416265 A CN 108416265A
- Authority
- CN
- China
- Prior art keywords
- human body
- human
- region
- face
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明适用图像处理技术领域，提供了一种人脸检测方法、装置、设备及存储介质，该方法包括：当接收到对人体图像中的人脸进行检测的请求时，通过预先构建的多任务卷积神经网络对人体图像进行人体检测，以得到唯一的人体区域，通过预设的人体上半身检测方法对得到的人体区域进行检测，以得到人体图像的人体上半身区域，通过预设的人体头部检测方法对得到的人体上半身区域进行检测，以得到人体图像的人体头部区域，通过预设的人脸检测方法对得到的人体头部区域进行检测，以得到人体图像的人脸，本发明对拥有全身区域的人体图像通过人体区域‑人体上半身‑人头‑人脸这种由粗到细的检测方法，从而提高了人脸检测的准确度，进而提高了用户体验。
Description
技术领域
本发明属于图像处理技术领域，尤其涉及一种人脸检测方法、装置、设备及存储介质。
背景技术
人脸检测是指对于任意一张给定的图像，采样一定的策略对图像进行搜索以确定图像中是否含有人脸，以及人脸的位置、大小和姿态等。通过人脸检测技术确定图像中人脸位置的难点主要有两方面：一方面是由于人脸内在的变化所引起：(1)人脸具有相当复杂的细节变化，不同的外貌如脸型、肤色等，不同的表情如眼、嘴的开与闭等；(2)人脸的遮挡，如眼镜、头发和头部饰物以及其他外部物体等。另外一方面由于外在条件变化所引起：(1)由于成像角度的不同造成人脸的多姿态，如平面内旋转、深度旋转以及上下旋转，其中深度旋转影响较大；(2)光照的影响，如图像中的亮度、对比度的变化和阴影等；(3)图像的成像条件，如摄像设备的焦距、成像距离，图像获得的途径等。
人脸检测是所有人脸相关任务的基础，而人脸检测的上述这些难点都阻碍了人脸检测在这些人脸相关任务中的应用。现有的人脸检测算法主要包括手动挑选人脸特征、构建分类器和直接深度学习端对端训练两大类，对处理一般的姿态变化不大的人脸图像有很好的检测准确度，但是在视频监控场景下，需要检测的人脸图片千变万化，尤其是小脸、有遮挡重叠的人脸、光线不足引起的模糊人脸、甚至是背面人脸的情况检测效果较差。
发明内容
本发明的目的在于提供一种人脸检测方法、装置、设备及存储介质，旨在解决现有技术导致人脸检测不精确的问题。
一方面，本发明提供了一种人脸检测方法，所述方法包括下述步骤：
当接收到对人体图像中的人脸进行检测的请求时，通过预先构建的多任务卷积神经网络对所述人体图像进行人体检测，以得到唯一的人体区域；
通过预设的人体上半身检测方法对所述得到的人体区域进行检测，以得到所述人体图像的人体上半身区域；
通过预设的人体头部检测方法对所述得到的人体上半身区域进行检测，以得到所述人体图像的人体头部区域；
通过预设的人脸检测方法对所述得到的人体头部区域进行检测，以得到所述人体图像的人脸。
另一方面，本发明提供了一种人脸检测装置，所述装置包括：
人体检测单元，用于当接收到对人体图像中的人脸进行检测的请求时，通过预先构建的多任务卷积神经网络对所述人体图像进行人体检测，以得到唯一的人体区域；
上半身检测单元，用于通过预设的人体上半身检测方法对所述得到的人体区域进行检测，以得到所述人体图像的人体上半身区域；
头部检测单元，用于通过预设的人体头部检测方法对所述得到的人体上半身区域进行检测，以得到所述人体图像的人体头部区域；以及
人脸检测单元，用于通过预设的人脸检测方法对所述得到的人体头部区域进行检测，以得到所述人体图像的人脸。
另一方面，本发明还提供了一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前所述方法的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如前所述方法的步骤。
本发明在当接收到对人体图像中的人脸进行检测的请求时，通过预先构建的多任务卷积神经网络对人体图像进行人体检测，以得到唯一的人体区域，通过预设的人体上半身检测方法对得到的人体区域进行检测，以得到人体图像的人体上半身区域，通过预设的人体头部检测方法对得到的人体上半身区域进行检测，以得到人体图像的人体头部区域，通过预设的人脸检测方法对得到的人体头部区域进行检测，以得到人体图像的人脸，本发明对拥有全身区域的人体图像通过人体区域-人体上半身-人头-人脸这种由粗到细的检测方法，从而提高了人脸检测的准确度，进而提高了用户体验。
附图说明
图1是本发明实施例一提供的人脸检测方法的实现流程图；
图2是本发明实施例二提供的人脸检测装置的结构示意图；
图3是本发明实施例二提供的人脸检测装置的优选结构示意图；以及
图4是本发明实施例三提供的计算设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的人脸检测方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，当接收到对人体图像中的人脸进行检测的请求时，通过预先构建的多任务卷积神经网络对人体图像进行人体检测，以得到唯一的人体区域。
本发明实施例适用于计算设备，例如，个人计算机、智能手机、平板等。在进行人体检测之前，需要预先构建多任务卷积神经网络，优选地，构建的多任务卷积神经网络由三级网络结构组成，其中，第一级网络为一个三层的全卷积神经网络，第二级网络为一个由三层卷积层和一层全连接层组成的卷积神经网络，第三级网络为一个由四层卷积层和一层全连接层组成的卷积神经网络，从而提高了检测的人体区域的精度。
在通过多任务卷积神经网络对人体图像进行人体检测时，优选地，首先，通过第一级网络获得预设数量个的人体候选框和人体区域边框回归向量，并使用边框回归(Bounding box regression)的方法对这些人体候选框进行校正，然后通过非极大值抑制(NMS)来合并高度重叠的候选框。其次，将第一级网络输出的人体候选框输入到第二级网络，利用边框回归向量微调人体候选框，再利用NMS去除重叠的人体候选框。最后，将第二级网络输出的人体候选框输入到第三级网络，第三级网络与第二级网络的作用一样，再次利用边框回归向量微调人体候选框，再利用NMS去除重叠的人体候选框。第三级网络与第二级网络都实现了去除重叠候选框的功能，然而，由于第三级网络对人体候选框进行了更多的监督，因此，第三级网络输出的唯一人体区域和18个人体关键点将会更加精细。通过该多任务卷积神经网络对提取出的人体图像的候选框进行逐级的校正和合并，从而提高了最终输出的人体区域的精度。
在步骤S102中，通过预设的人体上半身检测方法对得到的人体区域进行检测，以得到该人体图像的人体上半身区域。
在本发明实施例中，在通过预设的人体上半身检测方法对得到的人体区域进行检测时，优选地，首先，根据预设的区域大小(例如，224*224)、预设的提取数量(例如，1000)，采用选择搜索(Selective Search)方法对人体区域进行候选框提取，以得到人体区域候选框，然后，通过预设的卷积神经网络对人体区域候选框进行特征提取，以得到特征样本，然后，利用预设的分类器对特征样本按照上半身和下半身的分类进行训练，以识别出特征样本中的上半身特征样本，最后，通过边框回归和非极大值抑制算法对上半身特征样本进行校正和合并，以获得人体上半身区域，从而提高了检测的人体上半身区域的精度。
进一步优选地，本发明实施例利用SVM分类器对特征样本进行训练和分类识别，从而提高了样本的训练速度，并降低了对样本进行分类的误差。
在步骤S103中，通过预设的人体头部检测方法对得到的人体上半身区域进行检测，以得到该人体图像的人体头部区域。
在本发明实施例中，在通过预设的人体头部检测方法对得到的人体上半身区域进行检测时，优选地，首先，根据预设的区域大小(例如，128*128)、预设的提取数量(例如，1000)，采用选择搜索(Selective Search)方法对人体上半身区域进行候选框提取，以得到人体头部候选框，然后，通过预设的卷积神经网络对人体头部候选框进行特征提取，以得到头部特征样本，然后，利用SVM分类器对头部特征样本进行训练，最后，通过边框回归和非极大值抑制的方法对经过SVM分类器分类得到的头部特征样本进行校正和合并，获得人体头部区域，从而提高了检测的人体头部区域的精度。
在步骤S104中，通过预设的人脸检测方法对得到的人体头部区域进行检测，以得到该人体图像的人脸。
在本发明实施例中，在通过预设的人脸检测方法对得到的人体头部区域进行检测时，优选地，首先，根据预设的区域大小(例如，64*64)、预设的提取数量(例如，1000)，采用选择搜索(Selective Search)方法对人体头部区域进行候选框提取，以得到人脸候选框，然后，通过预设的卷积神经网络对人脸候选框进行特征提取，以得到人脸特征样本，然后，利用SVM分类器对人脸特征样本进行训练，最后，通过边框回归和非极大值抑制的方法对经过SVM分类器分类得到的人脸特征样本进行校正和合并，获得待检测的人体图像的人脸，从而提高了检测的人脸区域的精度。
在本发明实施例中，当接收到对人体图像中的人脸进行检测的请求时，通过预先构建的多任务卷积神经网络对人体图像进行人体检测，以得到唯一的人体区域，通过预设的人体上半身检测方法对得到的人体区域进行检测，以得到人体图像的人体上半身区域，通过预设的人体头部检测方法对得到的人体上半身区域进行检测，以得到人体图像的人体头部区域，通过预设的人脸检测方法对得到的人体头部区域进行检测，以得到人体图像的人脸，本发明实施例对拥有全身区域的人体图像通过人体区域-人体上半身-人头-人脸这种由粗到细的检测方法，从而提高了人脸检测的准确度，进而提高了用户体验。
实施例二：
图2示出了本发明实施例二提供的人脸检测装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
人体检测单元21，用于当接收到对人体图像中的人脸进行检测的请求时，通过预先构建的多任务卷积神经网络对人体图像进行人体检测，以得到唯一的人体区域。
本发明实施例适用于计算设备，例如，个人计算机、智能手机、平板等。在进行人体检测之前，需要预先构建多任务卷积神经网络，优选地，构建的多任务卷积神经网络由三级网络结构组成，其中，第一级网络为一个三层的全卷积神经网络，第二级网络为一个由三层卷积层和一层全连接层组成的卷积神经网络，第三级网络为一个由四层卷积层和一层全连接层组成的卷积神经网络，从而提高了检测的人体区域的精度。
在通过多任务卷积神经网络对人体图像进行人体检测时，优选地，首先，通过第一级网络获得预设数量个的人体候选框和人体区域边框回归向量，并使用边框回归(Bounding box regression)的方法对这些人体候选框进行校正，然后通过非极大值抑制(NMS)来合并高度重叠的候选框。其次，将第一级网络输出的人体候选框输入到第二级网络，利用边框回归向量微调人体候选框，再利用NMS去除重叠的人体候选框。最后，将第二级网络输出的人体候选框输入到第三级网络，第三级网络与第二级网络的作用一样，再次利用边框回归向量微调人体候选框，再利用NMS去除重叠的人体候选框。第三级网络与第二级网络都实现了去除重叠候选框的功能，然而，由于第三级网络对人体候选框进行了更多的监督，因此，第三级网络输出的唯一人体区域和18个人体关键点将会更加精细。通过该多任务卷积神经网络对提取出的人体图像的候选框进行逐级的校正和合并，从而提高了最终输出的人体区域的精度。
上半身检测单元22，用于通过预设的人体上半身检测方法对得到的人体区域进行检测，以得到该人体图像的人体上半身区域。
在本发明实施例中，在通过预设的人体上半身检测方法对得到的人体区域进行检测时，优选地，首先，根据预设的区域大小(例如，224*224)、预设的提取数量(例如，1000)，采用选择搜索(Selective Search)方法对人体区域进行候选框提取，以得到人体区域候选框，然后，通过预设的卷积神经网络对人体区域候选框进行特征提取，以得到特征样本，然后，利用预设的分类器对特征样本按照上半身和下半身的分类进行训练，以识别出特征样本中的上半身特征样本，最后，通过边框回归和非极大值抑制算法对上半身特征样本进行校正和合并，以获得人体上半身区域，从而提高了检测的人体上半身区域的精度。
进一步优选地，本发明实施例利用SVM分类器对特征样本进行训练和分类识别，从而提高了样本的训练速度，并降低了对样本进行分类的误差。
头部检测单元23，用于通过预设的人体头部检测方法对得到的人体上半身区域进行检测，以得到该人体图像的人体头部区域。
在本发明实施例中，在通过预设的人体头部检测方法对得到的人体上半身区域进行检测时，优选地，首先，根据预设的区域大小(例如，128*128)、预设的提取数量(例如，1000)，采用选择搜索方法对人体上半身区域进行候选框提取，以得到人体头部候选框，然后，通过预设的卷积神经网络对人体头部候选框进行特征提取，以得到头部特征样本，然后，利用SVM分类器对头部特征样本进行训练，最后，通过边框回归和非极大值抑制的方法对经过SVM分类器分类得到的头部特征样本进行校正和合并，获得人体头部区域，从而提高了检测的人体头部区域的精度。
人脸检测单元24，用于通过预设的人脸检测方法对得到的人体头部区域进行检测，以得到该人体图像的人脸。
在本发明实施例中，在通过预设的人脸检测方法对得到的人体头部区域进行检测时，优选地，首先，根据预设的区域大小(例如，64*64)、预设的提取数量(例如，1000)，采用选择搜索方法对人体头部区域进行候选框提取，以得到人脸候选框，然后，通过预设的卷积神经网络对人脸候选框进行特征提取，以得到人脸特征样本，然后，利用SVM分类器对人脸特征样本进行训练，最后，通过边框回归和非极大值抑制的方法对经过SVM分类器分类得到的人脸特征样本进行校正和合并，获得待检测的人体图像的人脸，从而提高了检测的人脸区域的精度。
因此，如图3所示，优选地，上半身检测单元22包括：
候选框提取单元221，用于根据预设的区域大小，采用选择搜索方法对人体区域进行候选框提取，以得到人体区域候选框；
特征提取单元222，用于通过预设的卷积神经网络对人体区域候选框进行特征提取，以得到特征样本；
分类器训练单元223，用于利用预设的分类器对特征样本进行训练，以识别出该特征样本中的上半身特征样本；以及
区域获取单元224，用于通过边框回归和非极大值抑制算法对上半身特征样本进行校正和合并，以获得人体上半身区域。
在本发明实施例中，人脸检测装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
实施例三：
图4示出了本发明实施例三提供的计算设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。
本发明实施例的计算设备4包括处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。该处理器40执行计算机程序42时实现上述人脸检测方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，处理器40执行计算机程序42时实现上述各装置实施例中各单元的功能，例如图2所示单元21至24的功能。
在本发明实施例中，当接收到对人体图像中的人脸进行检测的请求时，通过预先构建的多任务卷积神经网络对人体图像进行人体检测，以得到唯一的人体区域，通过预设的人体上半身检测方法对得到的人体区域进行检测，以得到该人体图像的人体上半身区域，通过预设的人体头部检测方法对得到的人体上半身区域进行检测，以得到该人体图像的人体头部区域，通过预设的人脸检测方法对得到的人体头部区域进行检测，以得到该人体图像的人脸。在本发明实施例中，对拥有全身区域的人体图像通过人体区域-人体上半身-人头-人脸这种由粗到细的检测方法，从而提高了人脸检测的准确度，进而提高了用户体验。
本发明实施例的计算设备可以为个人计算机、智能手机、平板。该计算设备4中处理器40执行计算机程序42时实现人脸检测方法时实现的步骤可参考前述方法实施例的描述，在此不再赘述。
实施例四：
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述人脸检测方法实施例中的步骤，例如，图1所示的步骤S101至S104。或者，该计算机程序被处理器执行时实现上述各装置实施例中各单元的功能，例如图2所示单元21至24的功能。
在本发明实施例中，当接收到对人体图像中的人脸进行检测的请求时，通过预先构建的多任务卷积神经网络对人体图像进行人体检测，以得到唯一的人体区域，通过预设的人体上半身检测方法对得到的人体区域进行检测，以得到该人体图像的人体上半身区域，通过预设的人体头部检测方法对得到的人体上半身区域进行检测，以得到该人体图像的人体头部区域，通过预设的人脸检测方法对得到的人体头部区域进行检测，以得到该人体图像的人脸。在本发明实施例中，对拥有全身区域的人体图像通过人体区域-人体上半身-人头-人脸这种由粗到细的检测方法，从而提高了人脸检测的准确度，进而提高了用户体验。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种人脸检测方法，其特征在于，所述方法包括下述步骤：
当接收到对人体图像中的人脸进行检测的请求时，通过预先构建的多任务卷积神经网络对所述人体图像进行人体检测，以得到唯一的人体区域；
通过预设的人体上半身检测方法对所述得到的人体区域进行检测，以得到所述人体图像的人体上半身区域；
通过预设的人体头部检测方法对所述得到的人体上半身区域进行检测，以得到所述人体图像的人体头部区域；
通过预设的人脸检测方法对所述得到的人体头部区域进行检测，以得到所述人体图像的人脸。
2.如权利要求1所述的方法，其特征在于，通过预设的人体上半身检测方法对所述得到的人体区域进行检测的步骤，包括：
根据预设的区域大小，采用选择搜索方法对所述人体区域进行候选框提取，以得到人体区域候选框；
通过预设的卷积神经网络对所述人体区域候选框进行特征提取，以得到特征样本；
利用预设的分类器对所述特征样本进行训练，以识别出所述特征样本中的上半身特征样本；
通过边框回归和非极大值抑制算法对所述上半身特征样本进行校正和合并，以获得所述人体上半身区域。
3.如权利要求2所述的方法，其特征在于，所述分类器为SVM分类器。
4.如权利要求1所述的方法，其特征在于，所述多任务卷积神经网络由三级网络结构组成，其中，第一级网络为一个三层的全卷积神经网络，第二级网络为一个由三层卷积层和一层全连接层组成的卷积神经网络，第三级网络为一个由四层卷积层和一层全连接层组成的卷积神经网络。
5.一种人脸检测装置，其特征在于，所述装置包括：
人体检测单元，用于当接收到对人体图像中的人脸进行检测的请求时，通过预先构建的多任务卷积神经网络对所述人体图像进行人体检测，以得到唯一的人体区域；
上半身检测单元，用于通过预设的人体上半身检测方法对所述得到的人体区域进行检测，以得到所述人体图像的人体上半身区域；
头部检测单元，用于通过预设的人体头部检测方法对所述得到的人体上半身区域进行检测，以得到所述人体图像的人体头部区域；以及
人脸检测单元，用于通过预设的人脸检测方法对所述得到的人体头部区域进行检测，以得到所述人体图像的人脸。
6.如权利要求5所述的装置，其特征在于，所述上半身检测单元包括：
候选框提取单元，用于根据预设的区域大小，采用选择搜索方法对所述人体区域进行候选框提取，以得到人体区域候选框；
特征提取单元，用于通过预设的卷积神经网络对所述人体区域候选框进行特征提取，以得到特征样本；
分类器训练单元，用于利用预设的分类器对所述特征样本进行训练，以识别出所述特征样本中的上半身特征样本；以及
区域获取单元，用于通过边框回归和非极大值抑制算法对所述上半身特征样本进行校正和合并，以获得所述人体上半身区域。
7.如权利要求6所述的装置，其特征在于，所述分类器为SVM分类器。
8.如权利要求5所述的装置，其特征在于，所述多任务卷积神经网络由三级网络结构组成，其中，第一级网络为一个三层的全卷积神经网络，第二级网络为一个由三层卷积层和一层全连接层组成的卷积神经网络，第三级网络为一个由四层卷积层和一层全连接层组成的卷积神经网络。
9.一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810087913.XA CN108416265A (zh) | 2018-01-30 | 2018-01-30 | 一种人脸检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810087913.XA CN108416265A (zh) | 2018-01-30 | 2018-01-30 | 一种人脸检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108416265A true CN108416265A (zh) | 2018-08-17 |
Family
ID=63127269
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810087913.XA Pending CN108416265A (zh) | 2018-01-30 | 2018-01-30 | 一种人脸检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108416265A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446922A (zh) * | 2018-10-10 | 2019-03-08 | 中山大学 | 一种实时鲁棒的人脸检测方法 |
| CN109740516A (zh) * | 2018-12-29 | 2019-05-10 | 深圳市商汤科技有限公司 | 一种用户识别方法、装置、电子设备及存储介质 |
| CN109819400A (zh) * | 2019-03-20 | 2019-05-28 | 百度在线网络技术（北京）有限公司 | 用户位置的查找方法、装置、设备及介质 |
| CN110186167A (zh) * | 2019-05-31 | 2019-08-30 | 广东美的制冷设备有限公司 | 空调器的控制方法、装置、空调器及存储介质 |
| CN110443147A (zh) * | 2019-07-10 | 2019-11-12 | 广州市讯码通讯科技有限公司 | 一种坐姿识别方法、系统和存储介质 |
| CN111027474A (zh) * | 2019-12-09 | 2020-04-17 | Oppo广东移动通信有限公司 | 人脸区域获取方法、装置、终端设备和存储介质 |
| CN111223255A (zh) * | 2019-11-25 | 2020-06-02 | 创新奇智(上海)科技有限公司 | 智能升降机监控系统及监控设备 |
| CN111310710A (zh) * | 2020-03-03 | 2020-06-19 | 平安科技（深圳）有限公司 | 人脸检测方法与系统 |
| CN111444850A (zh) * | 2020-03-27 | 2020-07-24 | 北京爱笔科技有限公司 | 一种图片检测的方法和相关装置 |
| CN112101139A (zh) * | 2020-08-27 | 2020-12-18 | 普联国际有限公司 | 人形检测方法、装置、设备及存储介质 |
| CN112163545A (zh) * | 2020-10-12 | 2021-01-01 | 北京易华录信息技术股份有限公司 | 一种头部特征提取方法、装置、电子设备及存储介质 |
| CN112257692A (zh) * | 2020-12-22 | 2021-01-22 | 湖北亿咖通科技有限公司 | 一种行人目标的检测方法、电子设备及存储介质 |
| CN112560557A (zh) * | 2019-09-25 | 2021-03-26 | 虹软科技股份有限公司 | 人数检测方法、人脸检测方法、装置及电子设备 |
| CN115131825A (zh) * | 2022-07-14 | 2022-09-30 | 北京百度网讯科技有限公司 | 人体属性的识别方法、装置、电子设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001095247A1 (en) * | 2000-06-08 | 2001-12-13 | Honeywell International Inc. | Near-infrared disguise detection |
| US20030103647A1 (en) * | 2001-12-03 | 2003-06-05 | Yong Rui | Automatic detection and tracking of multiple individuals using multiple cues |
| CN105095867A (zh) * | 2015-07-21 | 2015-11-25 | 哈尔滨多智科技发展有限公司 | 基于深度学习的快速动态人脸提取、识别方法 |
| CN106446958A (zh) * | 2016-10-09 | 2017-02-22 | 湖南穗富眼电子科技有限公司 | 一种人体离开可靠检测方法 |
| CN106599656A (zh) * | 2016-11-28 | 2017-04-26 | 深圳超多维科技有限公司 | 显示方法、装置及电子设备 |
| CN106682620A (zh) * | 2016-12-28 | 2017-05-17 | 北京旷视科技有限公司 | 人脸图像采集方法及装置 |
-
2018
- 2018-01-30 CN CN201810087913.XA patent/CN108416265A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001095247A1 (en) * | 2000-06-08 | 2001-12-13 | Honeywell International Inc. | Near-infrared disguise detection |
| US20030103647A1 (en) * | 2001-12-03 | 2003-06-05 | Yong Rui | Automatic detection and tracking of multiple individuals using multiple cues |
| CN105095867A (zh) * | 2015-07-21 | 2015-11-25 | 哈尔滨多智科技发展有限公司 | 基于深度学习的快速动态人脸提取、识别方法 |
| CN106446958A (zh) * | 2016-10-09 | 2017-02-22 | 湖南穗富眼电子科技有限公司 | 一种人体离开可靠检测方法 |
| CN106599656A (zh) * | 2016-11-28 | 2017-04-26 | 深圳超多维科技有限公司 | 显示方法、装置及电子设备 |
| CN106682620A (zh) * | 2016-12-28 | 2017-05-17 | 北京旷视科技有限公司 | 人脸图像采集方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| JUNJIE YAN 等: "Face detection by structural models", 《IMAGE AND VISION COMPUTING》 * |
| KAIPENG ZHANG 等: "Joint Face Detection and Alignment Using Multitask Cascaded Convolutional Networks", 《IEEE SIGNAL PROCESSING LETTERS》 * |
| SOHAILAH ALYAMMAHI 等: "People detection and articulated pose estimation framework for crowded scenes", 《KNOWLEDGE-BASED SYSTEMS》 * |
| XI YIN 等: "Multi-Task Convolutional Neural Network for Pose-Invariant Face Recognition", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| YONGLONG TIAN 等: "Pedestrain Detection aided by Deep Learning Semantic Tasks", 《2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION(CVPR)》 * |
| 董兰芳 等: "基于Faster R-CNN的人脸检测方法", 《计算机系统应用》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446922A (zh) * | 2018-10-10 | 2019-03-08 | 中山大学 | 一种实时鲁棒的人脸检测方法 |
| CN109740516A (zh) * | 2018-12-29 | 2019-05-10 | 深圳市商汤科技有限公司 | 一种用户识别方法、装置、电子设备及存储介质 |
| CN109819400A (zh) * | 2019-03-20 | 2019-05-28 | 百度在线网络技术（北京）有限公司 | 用户位置的查找方法、装置、设备及介质 |
| CN110186167A (zh) * | 2019-05-31 | 2019-08-30 | 广东美的制冷设备有限公司 | 空调器的控制方法、装置、空调器及存储介质 |
| CN110443147A (zh) * | 2019-07-10 | 2019-11-12 | 广州市讯码通讯科技有限公司 | 一种坐姿识别方法、系统和存储介质 |
| CN112560557A (zh) * | 2019-09-25 | 2021-03-26 | 虹软科技股份有限公司 | 人数检测方法、人脸检测方法、装置及电子设备 |
| CN111223255A (zh) * | 2019-11-25 | 2020-06-02 | 创新奇智(上海)科技有限公司 | 智能升降机监控系统及监控设备 |
| CN111027474A (zh) * | 2019-12-09 | 2020-04-17 | Oppo广东移动通信有限公司 | 人脸区域获取方法、装置、终端设备和存储介质 |
| CN111027474B (zh) * | 2019-12-09 | 2024-03-15 | Oppo广东移动通信有限公司 | 人脸区域获取方法、装置、终端设备和存储介质 |
| CN111310710A (zh) * | 2020-03-03 | 2020-06-19 | 平安科技（深圳）有限公司 | 人脸检测方法与系统 |
| CN111444850A (zh) * | 2020-03-27 | 2020-07-24 | 北京爱笔科技有限公司 | 一种图片检测的方法和相关装置 |
| CN111444850B (zh) * | 2020-03-27 | 2023-11-14 | 北京爱笔科技有限公司 | 一种图片检测的方法和相关装置 |
| CN112101139A (zh) * | 2020-08-27 | 2020-12-18 | 普联国际有限公司 | 人形检测方法、装置、设备及存储介质 |
| CN112101139B (zh) * | 2020-08-27 | 2024-05-03 | 普联国际有限公司 | 人形检测方法、装置、设备及存储介质 |
| CN112163545A (zh) * | 2020-10-12 | 2021-01-01 | 北京易华录信息技术股份有限公司 | 一种头部特征提取方法、装置、电子设备及存储介质 |
| CN112257692A (zh) * | 2020-12-22 | 2021-01-22 | 湖北亿咖通科技有限公司 | 一种行人目标的检测方法、电子设备及存储介质 |
| CN112257692B (zh) * | 2020-12-22 | 2021-03-12 | 湖北亿咖通科技有限公司 | 一种行人目标的检测方法、电子设备及存储介质 |
| CN115131825A (zh) * | 2022-07-14 | 2022-09-30 | 北京百度网讯科技有限公司 | 人体属性的识别方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416265A (zh) | 一种人脸检测方法、装置、设备及存储介质 | |
| Dolhansky et al. | The deepfake detection challenge (dfdc) dataset | |
| CN108334848B (zh) | 一种基于生成对抗网络的微小人脸识别方法 | |
| US10402632B2 (en) | Pose-aligned networks for deep attribute modeling | |
| CN106778584B (zh) | 一种基于深层特征与浅层特征融合的人脸年龄估计方法 | |
| CN109684925B (zh) | 一种基于深度图像的人脸活体检测方法及设备 | |
| CN110210276A (zh) | 一种移动轨迹获取方法及其设备、存储介质、终端 | |
| WO2016084072A1 (en) | Anti-spoofing system and methods useful in conjunction therewith | |
| CN110222686B (zh) | 物体检测方法、装置、计算机设备和存储介质 | |
| CN109034050A (zh) | 基于深度学习的身份证图像文本识别方法及装置 | |
| CN108647625A (zh) | 一种表情识别方法及装置 | |
| CN106529494A (zh) | 一种基于多摄像头机型的人脸识别方法 | |
| CN105243356B (zh) | 一种建立行人检测模型的方法及装置及行人检测方法 | |
| CN109961037A (zh) | 一种考场视频监控异常行为特征识别方法 | |
| CN109711416A (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
| CN114241379B (zh) | 一种乘客异常行为识别方法、装置、设备及乘客监控系统 | |
| CN109670517A (zh) | 目标检测方法、装置、电子设备和目标检测模型 | |
| CN109034012A (zh) | 基于动态图像和视频子序列的第一人称视角手势识别方法 | |
| JP2015106197A (ja) | 画像処理装置、画像処理方法 | |
| Xu et al. | BANet: A balanced atrous net improved from SSD for autonomous driving in smart transportation | |
| CN110532838A (zh) | 对象检测装置和方法及存储介质 | |
| CN108363944A (zh) | 人脸识别终端双摄防伪方法、装置及系统 | |
| Song et al. | Depth-aware saliency detection using discriminative saliency fusion | |
| KR100390569B1 (ko) | 크기와 회전에 무관한 지능형 얼굴검출 방법 | |
| WO2022140445A1 (en) | Pixel-aligned volumetric avatars |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180817 |